Wawancara
Leo Brunnick, Chief Product Officer at Cloudera – Seri Wawancara
Tambahkan Unite.AI ke sumber pilihan Anda di Google
Leo Brunnick, Chief Product Officer di Cloudera, adalah eksekutif teknologi veteran dan pengusaha dengan lebih dari tiga dekade pengalaman membangun dan menskalakan perangkat lunak, media digital, serta organisasi teknologi perusahaan. Di Cloudera, ia memimpin Manajemen Produk, Rekayasa, dan Dukungan Pelanggan, mengawasi arah produk dan teknologi perusahaan seiring perluasan kapabilitas platform data dan AI-nya. Sebelum bergabung dengan Cloudera pada 2025, Brunnick menghabiskan enam tahun di Naviga, terakhir sebagai Chief Operating Officer, di mana ia memimpin lebih dari 600 profesional di bidang produk, rekayasa, pemasaran, R&D, dukungan pelanggan, dan layanan profesional. Pada awal kariernya, ia mendirikan dan menjabat sebagai CEO Patheos, mengembangkan platform media digital hingga sekitar 15 juta pengunjung bulanan sebelum berhasil keluar (exit), dan menghabiskan delapan tahun sebagai Chief Product Officer di perusahaan manajemen konten perusahaan Vignette. Latar belakangnya juga mencakup konsultasi teknologi di Andersen Consulting dan layanan sebagai perwira infanteri Korps Marinir AS.
Cloudera adalah perusahaan data dan AI tingkat perusahaan yang fokus membantu organisasi mengelola, mengatur, menganalisis, dan menerapkan AI pada data di mana pun data tersebut berada—di seluruh cloud publik, pusat data pribadi, dan lingkungan edge. Platform hybrid-nya menggabungkan manajemen data, analitik, pembelajaran mesin, AI generatif, dan kemampuan AI yang semakin bersifat agen sambil menekankan keamanan perusahaan, tata kelola, privasi, dan portabilitas beban kerja. Strategi platform perusahaan saat ini mencakup Cloudera Anywhere Cloud, sebuah arsitektur yang dirancang untuk memberikan pengalaman cloud yang konsisten bagi perusahaan di berbagai lingkungan infrastruktur, bersama dengan lakehouse data terbuka, kain data terpadu, pemrosesan data waktu nyata, serta alat untuk mengembangkan dan menyebarkan model serta agen AI. Cloudera menyatakan teknologinya mengelola lebih dari 25 exabyte data dan digunakan oleh perusahaan global besar yang ingin memodernisasi infrastruktur data tanpa mengharuskan semua beban kerja atau data sensitif dipindahkan ke cloud publik.
Karier Anda telah melintasi konsultasi teknologi, memimpin organisasi produk di Vignette dan Naviga, mendirikan dan mengembangkan Patheos, serta kini menjabat sebagai Chief Product Officer di Cloudera. Bagaimana pengalaman tersebut membentuk cara Anda memikirkan pembangunan platform teknologi perusahaan pada saat AI secara fundamental mengubah cara organisasi menggunakan data mereka?
Di semua situasi tersebut, prinsip yang sama berlaku. Teknologi paling berharga ketika ia membuat sesuatu yang rumit menjadi lebih mudah digunakan oleh orang. Poin ini menjadi semakin penting sekarang, karena AI menciptakan peluang signifikan sekaligus menambah lapisan kompleksitas tambahan bagi bisnis yang sudah menavigasi data cloud, pusat data, dan lingkungan yang semakin berdaulat.
Saat kami membangun era berikutnya di Cloudera, saya sering mempertimbangkan bagaimana kami dapat memungkinkan organisasi memanfaatkan teknologi baru tanpa mengharuskan mereka memikirkan kembali segala yang telah mereka bangun. Selama beberapa tahun terakhir, perusahaan telah membangun aset data, aplikasi, model tata kelola, dan proses operasional mereka. Tidak masuk akal untuk membuang semua itu setiap kali teknologi baru muncul. Platform yang berhasil di era AI akan membangun di atas apa yang sudah dimiliki organisasi sekaligus memberi mereka fleksibilitas dan kontrol untuk beradaptasi seiring kebutuhan mereka berkembang.
Cloudera baru-baru ini memperkenalkan Cloudera Anywhere Cloud untuk membantu perusahaan membangun dan mengoperasikan AI di cloud publik, infrastruktur pribadi, cloud berdaulat, lingkungan di tempat (on‑premises), dan edge. Masalah apa yang Anda lihat di antara pelanggan yang meyakinkan Cloudera bahwa arsitektur terpadu jenis ini diperlukan?
Terdapat tekanan yang semakin besar pada pelanggan untuk menerapkan AI, bahkan ketika data dan infrastruktur mereka tersebar di lebih banyak lingkungan daripada sebelumnya. Data dapat berada di cloud publik, pusat data pribadi, lingkungan berdaulat, dan edge, masing‑masing dengan persyaratan keamanan, regulasi, kinerja, dan ekonomi yang berbeda. Mengelola semua lingkungan ini dapat menimbulkan beban operasional yang signifikan bagi organisasi.
Gagasan di balik Anywhere Cloud adalah bahwa bisnis tidak harus memilih antara kelincahan cloud dan mempertahankan kontrol, keamanan, serta tata kelola atas data mereka. Organisasi membutuhkan cara yang konsisten untuk menyebarkan, mengatur, dan menskalakan layanan data dan AI di mana pun itu paling masuk akal bagi bisnis. Dengan satu bidang kontrol, perusahaan dapat menghabiskan lebih sedikit waktu mengelola infrastruktur dasar dan lebih banyak waktu fokus pada hasil yang ingin mereka capai dengan data dan AI mereka, terlepas dari lingkungan tempat data tersebut berada.
Anda pernah mengatakan bahwa AI perusahaan telah “melampaui model hanya cloud publik.” Apa saja keterbatasan terbesar yang dihadapi perusahaan ketika mencoba menjalankan AI produksi sepenuhnya di lingkungan cloud publik, dan beban kerja apa yang semakin berpindah ke tempat lain?
Platform yang berhasil di era AI akan membangun di atas apa yang sudah dimiliki organisasi dan memberi mereka fleksibilitas untuk beradaptasi seiring kebutuhan mereka berkembang. Cloud publik tetap menjadi bagian penting dari strategi teknologi perusahaan, namun bukan satu‑satunya pilihan. Saat AI masuk ke produksi, perusahaan perlu menentukan di mana data dan beban kerja mereka harus dijalankan berdasarkan faktor seperti regulasi, keamanan, dan biaya.
Ini menunjukkan bahwa keputusan tentang di mana menempatkan beban kerja kini dibuat dengan lebih sengaja. Aplikasi AI tertentu tentu saja cocok di cloud publik, sementara beban kerja yang melibatkan data sangat sensitif atau diatur mungkin harus tetap berada di pusat data pribadi atau lingkungan kedaulatan. Dalam kasus lain, beban kerja akan lebih baik berada di edge karena latensi merupakan faktor penting. Tujuannya bukan untuk meninggalkan cloud publik; melainkan untuk memberi perusahaan fleksibilitas menjalankan setiap jenis beban kerja di lokasi yang paling sesuai, tanpa dipaksa membuat model operasi terpisah untuk setiap lingkungan.
Cloudera Anywhere Cloud mencakup copilot agen yang dapat menerjemahkan permintaan bahasa alami menjadi alur kerja data dan operasi infrastruktur. Seberapa otonom Anda mengharapkan sistem ini menjadi, dan di mana perusahaan harus mempertahankan pengawasan manusia saat agen memperoleh kontrol lebih besar atas infrastruktur data kritis?
Agen akan terus mengambil pekerjaan operasional berulang yang saat ini menyita waktu tim data dan infrastruktur. Jika seorang agen dapat mengungkapkan hasil dalam bahasa sederhana dan kemudian mengubahnya menjadi alur kerja atau tindakan infrastruktur, hal itu akan sangat mengurangi gesekan dan membuat kemampuan data lanjutan tersedia bagi lebih banyak orang.
Otonomi yang lebih besar juga menimbulkan kebutuhan yang lebih besar akan tata kelola yang efektif. Perusahaan harus memiliki kebijakan yang jelas mengenai apa yang boleh diakses agen, tindakan apa yang dapat dilakukan secara mandiri, dan kapan persetujuan manusia diperlukan. Semakin besar potensi dampak suatu tindakan, semakin penting kontrol tersebut. Otonomi dan tata kelola harus berkembang secara paralel untuk memberi agen kebebasan yang cukup guna mencapai peningkatan produktivitas yang nyata sekaligus memastikan organisasi tetap mengawasi dan mengendalikan data serta infrastruktur kunci.
Cloudera bekerja sama dengan NVIDIA untuk membawa akselerasi GPU native melalui cuDF ke beban kerja Apache Spark 4.1, dengan potensi peningkatan kinerja hingga 4x tanpa memaksa organisasi menulis ulang aplikasi PySpark atau SQL yang ada. Mengapa menghilangkan kebutuhan penulisan ulang kode begitu penting untuk mempercepat adopsi AI perusahaan?
Perusahaan telah melakukan investasi signifikan pada aplikasi, keahlian, dan pipeline data yang ada. Beralih ke teknologi baru memerlukan lebih dari sekadar pekerjaan rekayasa. Hal ini dapat menimbulkan risiko, menunda hasil, dan menciptakan gangguan pada sistem yang sudah berfungsi.
Akselerasi tanpa kode membantu mengatasi tantangan tersebut. Organisasi dapat menggunakan beban kerja PySpark dan SQL yang sudah ada untuk memperoleh manfaat akselerasi GPU tanpa mengubah secara fundamental cara tim mereka beroperasi. Ini membuat teknologi lebih mudah diadopsi sekaligus meningkatkan kinerja pipeline data yang mendukung analitik dan AI serta melindungi investasi yang sudah ada.
GPU semakin banyak digunakan di luar pelatihan model dan inferensi, termasuk untuk persiapan data dan analitik. Apakah Anda memperkirakan akselerasi GPU akan menjadi bagian standar dari tumpukan data perusahaan, dan bagaimana hal ini dapat mengubah ekonomi persiapan dataset besar untuk AI?
Menurut saya, perusahaan akan menjadi jauh lebih terampil dalam mencocokkan infrastruktur mereka dengan beban kerja. GPU telah mengubah cara pelatihan dan inferensi model dilakukan, dan rekayasa data adalah area inovasi berikutnya yang jelas, karena menyiapkan dataset besar dapat menjadi hambatan utama saat membawa aplikasi AI ke produksi.
Dampak ekonomi sama signifikan, karena pemrosesan yang lebih cepat dapat melakukan lebih dari sekadar menyelesaikan pekerjaan Spark lebih cepat. Pengurangan waktu komputasi dapat menurunkan biaya infrastruktur sambil membantu tim data beriterasi lebih cepat, pertimbangan yang semakin penting seiring beban kerja AI berkembang. Menurut penelitian kami, 84% responden telah melihat beban kerja AI meningkatkan biaya infrastruktur, menjadikan lebih penting bagi bisnis untuk meninjau seluruh pipeline data demi peluang meningkatkan kinerja dan biaya. Pemrosesan data yang dipercepat GPU dapat menjadi bagian penting dari persamaan tersebut.
Salah satu janji Cloudera Anywhere Cloud adalah memungkinkan organisasi menempatkan beban kerja di mana saja regulasi, ekonomi, atau kebutuhan operasional menuntut tanpa harus terus-menerus memindahkan atau menyalin data mereka. Seberapa penting membawa komputasi AI ke data, daripada membawa semua data perusahaan ke AI?
Ini penting karena bisnis telah menghabiskan bertahun-tahun membangun data dalam jumlah besar di berbagai lingkungan, dan memindahkan semua data itu ke satu tempat untuk AI seringkali tidak praktis. Hal ini dapat menjadi mahal dan memakan waktu, sementara persyaratan keamanan, privasi, atau kedaulatan dapat mencegah organisasi memindahkan data tertentu sama sekali.
Saat ini, tidak praktis bagi perusahaan untuk secara aman memindahkan semua data mereka ke berbagai aplikasi dan lingkungan tempat AI diterapkan. Membawa AI ke data memungkinkan organisasi menggunakan lebih banyak data yang sudah mereka miliki sambil mempertahankannya di tempat yang diperlukan. Ini juga memberi mereka fleksibilitas menjalankan beban kerja di mana paling masuk akal berdasarkan kebutuhan bisnis dan teknis. Seiring AI semakin terintegrasi di seluruh perusahaan, kemampuan beroperasi secara konsisten di mana pun data berada akan menjadi semakin penting.
Kedaulatan data telah menjadi perhatian utama seiring pemerintah dan industri yang diatur mengadopsi AI. Bagaimana persyaratan AI berdaulat mengubah arsitektur yang dibutuhkan perusahaan, dan apakah Anda memperkirakan cloud berdaulat serta infrastruktur AI pribadi akan menjadi jauh lebih penting dalam beberapa tahun ke depan?
Tentu saja. Kedaulatan menjadi persyaratan arsitektural, bukan sekadar masalah kepatuhan. Organisasi perlu mengetahui di mana data mereka disimpan dan di mana beban kerja AI mereka dijalankan, serta siapa yang memiliki akses dan bagaimana kekayaan intelektual serta informasi sensitif dilindungi.
Organisasi tidak lagi dapat mengasumsikan bahwa segala sesuatunya dapat dipusatkan dalam satu cloud publik. Mereka membutuhkan fleksibilitas untuk beroperasi lintas cloud berdaulat, infrastruktur pribadi, cloud publik, dan sistem on-premises sambil menerapkan tata kelola yang konsisten di setiap lingkungan. Persyaratan ini akan menjadi semakin penting seiring AI semakin merambah ke industri yang diatur dan proses bisnis kritis. Organisasi yang dapat berinovasi sambil mempertahankan kontrol atas data dan lingkungan AI mereka akan berada pada posisi yang lebih baik untuk mengembangkan AI secara bertanggung jawab.
Seiring agen AI otonom memperoleh akses ke data perusahaan, aplikasi, dan infrastruktur, tata kelola data tradisional mungkin tidak lagi memadai. Bagaimana tata kelola perlu berkembang ketika pengguna yang mengakses dan bertindak atas data perusahaan semakin banyak merupakan agen AI daripada manusia?
Di masa lalu, tata kelola sebagian besar didasarkan pada orang dan aplikasi yang dapat mengakses data. Agen menambahkan aspek baru, karena mereka dapat mengakses informasi, menalarnya, dan mengambil tindakan berdasarkan apa yang mereka temukan.
Karena hal ini, bisnis harus menerapkan konsep seperti identitas, izin, riwayat, observabilitas, dan akses zero-trust kepada agen untuk memastikan keamanan dan tata kelola data mereka. Organisasi harus mengetahui agen mana yang mengakses data mana, apa yang mereka lakukan dengan informasi tersebut, tindakan apa yang diambil, dan apakah tindakan tersebut sesuai dengan kebijakan perusahaan. Tata kelola tidak dapat diterapkan setelah agen melakukan tindakan; harus dibangun ke dalam lingkungan sehingga kebijakan dan perlindungan bergerak bersama data dan terus ditegakkan terlepas dari apakah entitas yang bersangkutan adalah orang, aplikasi, atau agen otonom.
Cloudera menekankan standar terbuka seperti Apache Iceberg, Polaris, Spark, Kafka, dan Trino alih-alih mewajibkan pelanggan beroperasi sepenuhnya dalam tumpukan proprietary. Seiring infrastruktur AI terkonsolidasi di sekitar platform besar, seberapa penting standar terbuka dan interoperabilitas dalam mencegah generasi baru vendor lock-in AI?
Semakin AI menjadi bagian dari infrastruktur perusahaan, semakin penting standar terbuka. AI berkembang dengan cepat, dan organisasi perlu menghindari keputusan arsitektural hari ini yang dapat membatasi model, mesin, infrastruktur, atau teknologi yang dapat mereka gunakan di masa depan.
Teknologi seperti Apache Iceberg, Spark, Kafka, Trino, dan katalog terbuka memberi organisasi fleksibilitas untuk menggunakan alat yang berbeda untuk beban kerja yang berbeda sambil mempertahankan interoperabilitas di lingkungan data mereka. Hal ini sangat penting karena perusahaan semakin banyak beroperasi lintas cloud publik, infrastruktur berdaulat, dan pusat data pribadi, di mana mereka memerlukan kebebasan untuk memutuskan di mana data dan beban kerja AI dijalankan tanpa harus membangun ulang di sekitar satu penyedia.
Pendekatan terbuka juga memudahkan adopsi kemampuan AI baru sambil memanfaatkan investasi yang ada, alih-alih terus-menerus memindahkan atau menyalin data seiring teknologi berkembang. Seiring lanskap AI terus berubah, standar terbuka memberi organisasi fleksibilitas untuk mengembangkan arsitektur mereka seiring waktu sambil mempertahankan pilihan dan kontrol atas data, infrastruktur, serta keputusan teknologi mereka.
Terima kasih atas wawancara yang luar biasa, pembaca yang ingin mengetahui lebih lanjut sebaiknya mengunjungi Cloudera.
